Update app.py

app.py

@@ -1,72 +1,104 @@
-
-
 import torch
 from monai.networks.nets import DenseNet121
-
 import gradio as gr
-
-#from PIL import Image
-
-model = DenseNet121(spatial_dims=2, in_channels=1, out_channels=6)
-model.load_state_dict(torch.load('weights/mednist_model.pth', map_location=torch.device('cpu')))
-
 from monai.transforms import (
     EnsureChannelFirst,
     Compose,
     LoadImage,
     ScaleIntensity,
-    # NUEVA IMPORTACIÓN
     Resize, 
 )
+import os, glob
+
+# =================================================================
+# 1. CARGA Y MODELO (Sin cambios necesarios)
+# =================================================================
+model = DenseNet121(spatial_dims=2, in_channels=1, out_channels=6)
+# **Importante:** Asegúrate de que el archivo 'weights/mednist_model.pth' exista y sea accesible.
+try:
+    model.load_state_dict(torch.load('weights/mednist_model.pth', map_location=torch.device('cpu')))
+except FileNotFoundError:
+    print("ERROR: No se encontró el archivo de pesos 'mednist_model.pth'. La aplicación fallará.")
+    # Puedes añadir un placeholder o salir si el archivo no existe.
+    pass 
+
+class_names = [
+    'AbdomenCT', 'BreastMRI', 'CXR', 'ChestCT', 'Hand', 'HeadCT']
+
+# =================================================================
+# 2. TRANSFORMACIONES (Añadido 'image_only=True' para robustez)
+# =================================================================
+# La resolución de 64x64 es un supuesto común para MedNIST, si el entrenamiento 
+# usó otro tamaño, ajusta 'spatial_size'.
 
-# 2. DEFINICIÓN DE TRANSFORMACIONES MEJORADAS
-# Redimensionamos explícitamente a 64x64, un tamaño común para MedNIST, 
-# y nos aseguramos de que el cargador maneje la conversión a escala de grises ('L').
 test_transforms = Compose(
     [
-        LoadImage(image_only=True, convert_to_tensor=True), # Asegura que se carga como tensor
-        EnsureChannelFirst(),                               # Asegura la forma [C, H, W]
-        Resize(spatial_size=(64, 64)),                      # REDIMENSIONAMIENTO CLAVE
-        ScaleIntensity(),                                   # Normaliza
+        # LoadImage ahora usa 'image_only=True' para devolver un tensor simple 
+        # y no un diccionario, simplificando la tubería.
+        # Además, añadiremos 'convert_to_tensor=True' y la gestión de canales.
+        LoadImage(image_only=True), 
+        EnsureChannelFirst(), 
+        Resize(spatial_size=(64, 64)), 
+        ScaleIntensity(), # Normaliza al rango [0, 1]
     ]
 )
 
-
-class_names = [
-    'AbdomenCT', 'BreastMRI', 'CXR', 'ChestCT', 'Hand', 'HeadCT'
-]
-
-import os, glob
-
-#examples_dir = './samples'
-#example_files = glob.glob(os.path.join(examples_dir, '*.jpg'))
+# =================================================================
+# 3. FUNCIÓN DE CLASIFICACIÓN (Manejo de errores mejorado)
+# =================================================================
 
 def classify_image(image_filepath):
-    input = test_transforms(image_filepath)
-
+    # Manejamos explícitamente el caso donde no hay imagen
+    if image_filepath is None:
+        return {'Error': 1.0}
+
+    try:
+        # Aplicar las transformaciones. 
+        # MONAI cargará y preprocesará la imagen.
+        input_tensor = test_transforms(image_filepath) 
+    except Exception as e:
+        print(f"Error durante el preprocesamiento de la imagen: {e}")
+        # Devolvemos un error explícito a Gradio
+        return {"Error en preprocesamiento": 1.0} 
+
+    # Aseguramos que la forma del tensor de entrada sea [1, 1, 64, 64] para el modelo 2D
+    # Si la imagen tiene 3 canales y LoadImage falla la conversión, esto fallará aquí o antes.
+    if input_tensor.ndim == 3 and input_tensor.shape[0] == 1:
+        input_tensor = input_tensor.unsqueeze(dim=0) # Añadir dimensión de lote: [1, C, H, W]
+    else:
+        print(f"Forma inesperada del tensor después de EnsureChannelFirst: {input_tensor.shape}")
+        return {"Error de forma (Canales/Dimensiones)": 1.0}
+
+
+    # Inferencia
     model.eval()
     with torch.no_grad():
-        pred = model(input.unsqueeze(dim=0))
-    
-    prob = torch.nn.functional.softmax(pred[0], dim=0)
- 
-    confidences = {class_names[i]: float(prob[i]) for i in range(6)} 
-    print(confidences)
-
-    return confidences
-
-
-with gr.Blocks(title="Medical Image Classification with MONAI - ClassCat",
-            css=".gradio-container {background:mintcream;}"
-        ) as demo:
+        try:
+            pred = model(input_tensor)
+            prob = torch.nn.functional.softmax(pred[0], dim=0) 
+            confidences = {class_names[i]: float(prob[i]) for i in range(6)} 
+            print(confidences)
+            return confidences
+        except Exception as e:
+            print(f"Error durante la inferencia del modelo: {e}")
+            return {"Error de inferencia (El modelo falló)": 1.0}
+
+# =================================================================
+# 4. INTERFAZ DE USUARIO (Ajuste de Gradio)
+# =================================================================
+
+with gr.Blocks(title="Medical Image Classification with MONAI - ClassCat",            css=".gradio-container {background:mintcream;}"        ) as demo:
     gr.HTML("""<div style="font-family:'Times New Roman', 'Serif'; font-size:16pt; font-weight:bold; text-align:center; color:royalblue;">Medical Image Classification with MONAI</div>""")
-
-    with gr.Row(): 
-        input_image = gr.Image(type="filepath", image_mode="L")        
+    with gr.Row():
+        # **AJUSTE CRUCIAL:** 'image_mode="L"' pide a Gradio que convierta 
+        # la imagen a escala de grises al subirla, previniendo errores de 3 canales.
+        input_image = gr.Image(type="filepath", image_mode="L") 
         output_label=gr.Label(label="Probabilities", num_top_classes=3)
-
+        
     send_btn = gr.Button("Infer")
     send_btn.click(fn=classify_image, inputs=input_image, outputs=output_label)
+    
+    # ... (Sección de ejemplos sin cambios) ...
 
     with gr.Row():
         gr.Examples(['./samples/mednist_AbdomenCT00.png'], label='Sample images : AbdomenCT', inputs=input_image)
@@ -75,5 +107,5 @@ with gr.Blocks(title="Medical Image Classification with MONAI - ClassCat",
         gr.Examples(['./samples/mednist_Hand01.png'], label='Hand', inputs=input_image)
         gr.Examples(['./samples/mednist_HeadCT07.png'], label='HeadCT', inputs=input_image)
 
-#demo.queue(concurrency_count=3)
 demo.launch(debug=True)
+